Conv1DTranspose¶

class paddle.nn. Conv1DTranspose ( in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, dilation=1, weight_attr=None, bias_attr=None, data_format='NCL' ) [源代码] ¶

一维转置卷积层（Convlution1d transpose layer）

该层根据输入（input）、卷积核（kernel）和空洞大小（dilations）、步长（stride）、填充（padding）来计算输出特征大小或者通过 output_size 指定输出特征层大小。输入(Input)和输出(Output)为 NCL 或 NLC 格式，其中 N 为批尺寸，C 为通道数（channel），L 为特征长度。卷积核是 MCL 格式，M 是输出图像通道数，C 是输入图像通道数，L 是卷积核长度。如果组数大于 1，C 等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和参考文献_。如果参数 bias_attr 不为 False，转置卷积计算会添加偏置项。

输入 \(X\) 和输出 \(Out\) 函数关系如下：

\[\begin{split}Out=\sigma (W*X+b)\\\end{split}\]

其中：

\(X\)：输入，具有 NCL 或 NLC 格式的 3-D Tensor

\(W\)：卷积核，具有 NCL 格式的 3-D Tensor

\(*\)：卷积计算（注意：转置卷积本质上的计算还是卷积）

\(b\)：偏置（bias），1-D Tensor，形状为 [M]

\(σ\)：激活函数

\(Out\)：输出值，NCL 或 NLC 格式的 3-D Tensor，和 X 的形状可能不同

参数¶

in_channels (int) - 输入特征的通道数。

out_channels (int) - 卷积核的个数，和输出特征通道数相同。

kernel_size (int|list|tuple) - 卷积核大小。可以为单个整数或包含一个整数的元组或列表，表示卷积核的长度。

stride (int|tuple，可选) - 步长大小。如果 stride 为元组或列表，则必须包含一个整型数，表示滑动步长。默认值：1。

padding (int|list|tuple|str，可选) - 填充大小。可以是以下三种格式：（1）字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考下述 padding = "SAME"或 padding = "VALID" 时的计算公式。（2）整数，表示在输入特征两侧各填充 padding 大小的 0。（3）包含一个整数的列表或元组，表示在输入特征两侧各填充 padding[0] 大小的 0。默认值：0。

output_padding (int|list|tuple, optional)：输出特征尾部一侧额外添加的大小。默认值：0。

groups (int，可选) - 一维卷积层的组数。根据 Alex Krizhevsky 的深度卷积神经网络（CNN）论文中的分组卷积：当 group=2，卷积核的前一半仅和输入特征图的前一半连接。卷积核的后一半仅和输入特征图的后一半连接。默认值：1。

dilation (int|tuple，可选) - 空洞大小。可以为单个整数或包含一个整数的元组或列表，表示卷积核中的空洞。默认值：1。

weight_attr (ParamAttr，可选) - 指定权重参数属性的对象。默认值为 None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

bias_attr (ParamAttr|bool，可选) - 指定偏置参数属性的对象。默认值为 None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

data_format (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCL"和"NLC"。N 是批尺寸，C 是通道数，L 特征长度。默认值："NCL"。

形状¶

输入：\(（N，C_{in}， L_{in}）\)

卷积核：\(（C_{in}，C_{out}， K）\)

偏置：\(（C_{out}）\)

输出：\(（N，C_{out}， L_{out}）\)

其中

\[\begin{split}& L'_{out} = (L_{in}-1)*stride - 2*padding + dilation*(kernel\_size-1)+1\\ & L_{out}\in[L'_{out},L'_{out} + stride)\end{split}\]

如果 padding = "SAME":

\[L'_{out} = \frac{(L_{in} + stride - 1)}{stride}\]

如果 padding = "VALID":

\[L'_{out} = (L_{in}-1)*stride + dilation*(kernel\_size-1)+1\]

代码示例¶

          import paddle
from paddle.nn import Conv1DTranspose

# shape: (1, 2, 4)
x = paddle.to_tensor([[[4, 0, 9, 7],
                    [8, 0, 9, 2]]], dtype="float32")
# shape: (2, 1, 2)
w = paddle.to_tensor([[[7, 0]],
                    [[4, 2]]], dtype="float32")

conv = Conv1DTranspose(2, 1, 2)
conv.weight.set_value(w)
y = conv(x)
print(y)
# Tensor(shape=[1, 1, 5], dtype=float32, place=Place(gpu:0), stop_gradient=False,
#        [[[60., 16., 99., 75., 4. ]]])

         